基于深度学习和无人机图像的架空线路缺陷巡检综述

架空输电线路巡检是电网运维工作的一项重要内容,运维人员利用无人机进行线路巡视检测已成为电力巡检工作中的重要手段。本研究首先概述了无人机巡检任务中人机协同作业系统以及无人机智能自主作业系统的架构;其次,分析了当前架空输电线路缺陷巡检领域数据集状况以及数据扩增技术;然后,综述了基于深度学习的无人机图像缺陷检测典型方法以及评价指标,并对比总结了各种方法的优缺点;随后,讨论了无人机图像视觉检测方法中图像采集规范、数据集形式、缺陷检测算法专业化应用等对架空线路缺陷检测效果,指出了图像检测指标和类别定义在电力巡检专业化领域中的不足;最后,探讨了基于深度学习的无人机图像缺陷巡检任务的未来发展方向。     

基于嵌入式与目标检测网络的高压线路缺陷边端识别方法

高压线路的安全运行是整个电网安全运行的基础之一,所以高压线路巡检是电网巡检工作的重中之重,但人工巡检总有盲区,从而导致高压线路缺陷无法被及时发现。针对该问题,提出基于嵌入式与目标检测网络的高压线路缺陷边端识别方法。该方法基于Mobilenet轻量化网络及SSD目标检测算法,完成高压线路缺陷边端识别,将检测出异物的图像发回云端,使巡检人员准确发现高压线路缺陷,及时进行线路巡检排查。该方法的识别准确率、样本召回率、模型大小及识别速率均可满足高压线路日常运维需求,且减少了90%的数据传输量,极大降低了之前工作人员需处理大量图像样本的压力。该方法已成功上线部署,准确指导高压线路相关的运维巡检工作。     

基于目标检测的电网涉鸟故障相关鸟种智能识别

鸟类活动引起的电网故障呈现上升趋势,为了辅助输电线路巡检人员进行鸟类识别,该文提出一种基于YOLOv4目标检测的涉鸟故障相关鸟种图像识别方法.利用巡检图像与网络资源构建电网涉鸟故障典型危害鸟种图像数据集,并进行图像标注与数据增广.建立YOLOv4检测模型,采用多阶段迁移学习进行模型训练,并引入Mosaic数据增强、余弦...     

基于深度学习的输电线路螺栓检测技术

输电线路螺栓缺陷检测对电力系统安全可靠运行具有重要意义,但螺栓在巡检图像中具有特征不明显、尺寸小的特点,这给螺栓检测研究带来了一定挑战。随着直升机、无人机巡检技术和边缘计算的发展,传统巡检图像处理方法已满足不了实时检测的需求。针对上述问题,提出一种基于深度学习的输电线路螺栓检测系统。采用分级检测原则,首先利用SSD(single shot mutibox detector)算法定位存在缺陷螺栓的连接部位并切割出连接部位,增大螺栓在巡检图像中的占比,其次利用数据增强扩充数据集,最后利用YOLOv3算法检测缺陷螺栓。最终将边缘计算装置搭载在直升机、无人机上,实现输电线路螺栓缺陷实时检测。为验证该系统的鲁棒性,对不同光照强度下的巡检图像进行仿真。实验结果表明,该方法能够有效、精确地实现巡检图像中螺栓缺陷的实时检测。     

架空输电线路无人机缺陷智能识别技术研究

基于采集的高质量影像,针对无人机巡检影像特性,采用深度学习技术框架,研究输电线路设备及通道环境隐患的智能识别方法,实现销钉级微细颗粒缺陷的智能识别.由于目前无人机的图传带宽难以满足高清图像的实时传输,前端芯片的算力也难以满足缺陷识别的需求.因此,短期内自主巡检的图像还是在无人机自主巡检完成后,在服务器端调用人工智能算法进行处理.基于以上过程标准化采集的高质量巡检图像,可以降低后续设备缺陷识别的难度,提升设备识别的准确率.针对无人机巡检图像特征,采用深度学习Faster-RCNN(Faster-Region Convolution Neural Network)模型,实现了对无人机巡检图像中设备缺陷及通道隐患的智能识别.     

基于无人机图像的输电线路部件检测方法研究

针对无人机电力巡检模式在图像快速检测方面存在的自动化程度和效率低等问题,提出了一种将单级多框预测检测器SSD与特征金字塔网络FPN相结合的输电线路部件检测方法,并对绝缘子故障进行检测。在SSD目标检测的基础上,加入了FPN特征金字塔结构,局部融合层间特征信息。实验验证了文中所提方法的优越性。实验结果表明,在部件检测中,该方法对大、中、小尺寸目标均具有良好的检测效果,检测精度在90%左右,在绝缘子故障检测中检测精度达到87.4%。为输电线路部件检测技术的发展提供了参考。     

基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型

针对无人机或机器人获取的输电线路绝缘子图像,提出了一种基于深度学习图像识别框架（YOLOv2）网络的输电线路绝缘子在线识别与缺陷诊断模型,训练YOLOv2网络学习复杂背景下各种绝缘子的特征并准确识别,结合边缘检测、直线检测、图像旋转和垂直投影方法,对识别出各种状态的绝缘子进行缺陷诊断。输电线路巡检图像的仿真结果表明,所提出的绝缘子自动识别与缺陷诊断方法能迅速准确地从输电线路巡检图像中识别出绝缘子,并诊断出绝缘子是否破损以及缺陷位置,有利于提升输电线路智能巡检水平。     

改进YOLOv3模型在无人机巡检输电线路部件缺陷检测中的应用研究

针对传统输电线路无人机巡检图像检测方法存在的精度低、计算时间长和训练样本少等问题,提出了一种用于输电线路部件绝缘子缺陷识别的改进YOLOv3模型。引入K-means++算法解决小目标不敏感问题,引入Focalloss函数解决样本不均衡问题,引入Mish激活函数提高模型精度,引入注意力机制Senet提高特征提取性能。通过对改进前后模型性能的比较分析,验证了该方法的优越性。结果表明,与传统的检测方法相比,所提方法在检测速度上能够满足实时检测的需要,且检测精度最优,检测时间为0.079 s,检测平均准确度均值为94.40%。该研究能够满足输电线路无人机巡检图像缺陷自动检测的需要。     

基于Faster RCNN变电设备红外图像缺陷识别方法

变电设备红外检测能够及时有效的发现设备过热缺陷,预防设备故障的发生。传统人工诊断方法难以应对变电站机器人、无人机自主巡检产生的海量红外图片,而目前红外图像缺陷识别大都基于传统机器学习算法,识别准确率低、泛化能力差,因此本文提出了基于深度学习的变电设备红外缺陷识别方法。首先基于Faster RCNN算法对变压器、套管、断路器等七种变电设备进行目标检测,实现设备的精准定位、识别,然后基于温度阈值判别法对设备区域进行缺陷识别。使用现场采集红外图像进行测试,七种设备检测平均精度均值达到90. 61%,缺陷识别准确率达到81. 33%,实验结果表明本文方法的有效性和准确性。     

基于YOLO v3的输电线路缺陷快速检测方法

无人机巡检方式在输电线路巡检中逐渐普及,但仅通过实时的人工观测效率低下。目前已有算法能够实现图像的自动识别,但检测速度慢,无法实现视频图像的处理。本文提出一种基于YOLO v3的输电线路缺陷快速检测方法。该方法首先建立YOLO v3目标检测模型,通过对训练样本库进行聚类分析得到目标候选区域的先验尺寸;通过调整损失函数来加快模型的训练过程,调整模型的学习方向。最后,通过建立输电线路缺陷样本库并进行训练,实现了输电线路缺陷检测。测试结果表明,相比于Faster RCNN、SSD等其他深度学习模型,基于YOLO v3的改进模型在速度上具有巨大的优势,且检测精度没有受到太大的影响,能够满足输电线路巡检视频的自动缺陷识别的需求。     

基于深度学习的无人机电网巡检缺陷检测研究

由于无人机电网巡检存在检测区域面积小、背景复杂、计算量大等特点,导致深度学习算法的准确率和实时性难以实现。为实现无人机电网巡检的准确、快速识别,分析了各类深度学习算法在复杂环境下对绝缘子的检测效果,提出了一种基于YOLO v3的目标检测算法。首先选用ResNet18作为主干网络结构,然后构建一个多尺度特征金字塔,将其与主干网络进行融合,形成深度融合的电网巡检绝缘子检测模型,可在提高检测准确率的同时,满足实时性的检测要求。实验结果表明,YOLO v3网络的均值平均精度(mAP)达98.10%,相比于Faster R-CNN提高了6.71%;其每秒检测帧数高达47.52帧,分别是R-CNN和Faster R-CNN的25倍和12倍。所提的YOLO v3网络具有更优的识别精度和检测速度。     

基于TCensus的立体匹配算法及FPGA设计

随着无人机技术的迅速发展,利用无人机代替人工进行电力线巡线是行业内发展的新趋势。尽管无人机电力巡线相对于人工巡检效率更高,更加安全,但无人机巡检仍然面临一些问题,无人机的避障技术亟待完善,在巡检过程中无人机会出现与周边障碍物相撞的情况,尤其是细小的电线对无人机安全造成巨大的威胁。这些线状物往往目标不明显,雷达,超声波等技术得到的回波较少,造成避障困难。基于双目视觉系统的无人机避障技术在无人机避障领域得到了广泛的研究和关注。针对双目视觉实时无人机电力巡检避障应用,提出了基于TCensus（形态学Tophat变换和MiniCensus）变换的匹配代价测量方法来对原始图像中的弱目标进行增强,同时采用基于十字结构的支持区域来提高匹配的准确度。实验证明,本文设计的双目视觉系统可以有效检测无人机到电力线之间的距离,检测误差达到5%,提出的TCensus立体匹配算法与其它方法相比除了能够获得同样准确的背景深度图之外,还能对电线区域具有更精细的成像效果。     

基于YOLO的无人机电力线路杆塔巡检图像实时检测

无人机巡检已成为电力线路灾后巡检的重要方式。然而,目前的无人机巡检仍主要通过人工方式评估线路灾损,不仅费时费力,而且准确率低。提出了一种基于深度学习算法（YOLO）的实时目标检测模型,用于灾后根据无人机巡检视频实时检测电力杆塔的状态。通过对倒断类杆塔图像进行数据增广,解决了杆塔类别不平衡问题。通过使用K-means算法对杆塔数据集的目标框进行重新聚类,改进了YOLO算法参数。测试结果表明,该模型能有效检测多种环境下多种尺度的杆塔目标。改进后的模型在测试集上的召回率和交并比（IoU）较改进前有所提高,且平均均值精度（mAP）达到94.09%,检测速度达到20帧/s。此外,也对更快的简化版YOLO模型进行了测试,检测速度能达到30帧/s。     

基于改进YOLOv4模型的输电线路杆塔图像缺陷检测方法研究

针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测。采用轻型MobileNetV2网络替换CSPDarkNet53网络,提高特征提取速度,在SPP模块中采用平均池化替换最大池化,提高算法对小目标的检测精度,引入注意力机制CBAM增强特征表达。通过试验验证了所提方法的可行性和优越性。结果表明,所提方法与常规检测方法相比,在输电线路杆塔图像缺陷检测中具有更优的检测精度和速度,检测精度达到94.40%,检测速度为60 FPS。所提研究为输电线杆塔缺陷检测方法的发展提供了一定的参考。     

基于差分定位的输电线路多旋翼无人机智能巡检

针对目前人工操作无人机进行输电线路巡线自动化程度不高,人工操作无人机难以标准化、规范化,导致巡线时间偏长或多发坠机等问题,围绕南方电网公司提出的无人机无人操控自主巡线目标,制定了基于载波相位差分定位技术的输电线路多旋翼无人机智能巡检方法。该方法在载波相位差分高精度定位技术的支撑下,首先由人工操控无人机进行线路巡检,再根据记录的巡检航迹提取航拍控制轨迹点精确的经纬度、海拔高度和每一航拍点的摄像头俯仰角度等信息,制定该线路的自主巡检方案。进行自主巡航时沿设定的轨迹控制点按预设角度进行航拍,实现无人机巡航的流程化和标准化。现场测试效果表明,无人机利用所提方法可在强电磁场环境下快速准确地完成定点巡航任务,为实现规范化、标准化的无人机安全巡线作业奠定了基础。     

基于柱状空间和支持向量机的无人机巡线避障方法

针对电力无人机巡线的避障问题,提出了基于柱状空间法和支持向量机的电力无人机巡线避障方法。首先,根据飞行区域内的障碍物,建立了柱状空间模型;引入支持向量机,从一个全新的角度实现无人机对环境的避障;最后将方法应用于无人机中,并进行了相关的仿真验证。仿真结果表明,所提出的方法可以确保电力无人机巡线时安全可靠地避障。     

无先验地图条件下电力管廊无人机自主巡检方法研究

针对无先验地图条件下电力管廊无人机自主巡检能力不足的问题,本文提出了一种不依赖先验地图的无人机巡检方法。首先,无人机搭载激光雷达,通过SLAM（Simultaneous Localization and Mapping）算法进行实时场景构图,并基于RRT（Rapidly-exploring Random Tree）算法对构建的全局栅格地图进行边界搜索;其次,针对传统RRT算法难以判断环境地图完整性、保障巡检全面性的问题,提出了一种基于数字图像处理的边界检测方法。通过Canny算子对实时构建的地图进行边缘检测,并对地图进行完整性评估。最后,为验证本文提出方法的有效性,在江苏无锡处某220kV电力管廊的仿真模型中进行验证,分别采用RRT算法和本文改进算法进行自主巡检测试,结果表明本文提出的算法相比RRT算法可提升21.8%的巡检覆盖率。     

基于云雾边异构协同的无人机智慧巡检系统

针对现有输电线路无人机巡检系统数据处理平台计算能力较低、整合程度不高的问题,提出一种基于云雾边异构协同计算的新型无人机巡检系统。详细介绍系统架构、网络架构以及作业流程,同时将先进人工智能技术与无人机巡检具体功能有机融合,以航迹自主规划、多机多任务协同以及缺陷智能识别3种主要功能为例,给出基于人工智能技术的无人机巡检整体解决方案,全面提高无人机智能化水平与自主运行能力,提升输电线路巡检效率与质量,降低运维成本。